2016, Vol.36
② School of the Environment, Flinders University, Adelaide 5001, Australia)
大气中水稳定同位素的变化起因于水循环的相变中稳定同位素的分馏[1]。由于水的轻同位素优先蒸发、 重同位素优先凝结，因此，利用对降水的稳定同位素监测可以定量分析水汽、 云、 降水相互之间的物质转换[2]。又由于水循环中包含了从海洋到陆地的水汽净输送，因此，局地降水同位素在一定程度上反映个别降水事件中湿气团被冲刷的历史[3]。作为自然的示踪物，水稳定同位素可被用于对区域和全球尺度的水汽输送过程的源(蒸发)和汇(降水)进行定量分析[4,5]。
对降水中稳定同位素最早的研究可追溯到20世纪30年代[6]，全球范围有组织的监测始于1961年[1]。在国际原子能机构(IAEA)和世界气象组织(WMO)的倡导下，全球降水同位素监测网(Global Network of Isotopes in Precipitation，简称GNIP)建立。实施GNIP计划的目的是通过对降水中稳定同位素在时空上的分布规律的分析来确定大气环流型以及全球、 局地的水循环机制，为水资源调查提供基础的环境同位素数据[7]。在GNIP之后，一些国家先后建立了自己的降水同位素监测网。例如，奥地利的ANIP、 美国的USNIP、 瑞士的NISOT、 加拿大的CNIP以及中国的CHNIP。
尽管各种降水同位素的监测计划可以提供了解水稳定同位素变化的直接证据，但是，由于水循环过程中的物质迁移和稳定同位素的分馏并非都能被实际观测到，因此，利用引入稳定同位素循环的大气环流模式成为了解水循环和水稳定同位素循环的独特工具[8]。
大气环流模式(GCMs)主要是通过对基本物理方程的积分，如流体静力学方程、 热力学方程、 连续性方程和水汽传输方程来模拟被分层的全球各种物理量的时间变化。稳定同位素GCMs(简称iGCMs)实际是将1 H2 18 O和1 H2 H16 O循环引入到GCMs水循环的每一个阶段。引入水稳定同位素的GCMs在大气网格点之间以及在表面水体之间输送水稳定同位素。不同水体中稳定同位素的差异由稳定同位素的分馏差异引起[4]。在过去10年，iGCMs的一个研究亮点是稳定同位素相互比较团队SWING(Stable Isotope Intercomparison Group)的组建[9]。这是一个在全球能量和水循环试验(GEWEX)支持下的有关水稳定同位素大气环流模式的相互比较计划。它的目的在于深入了解不同时空尺度下水循环中水稳定同位素的变化过程并且对它们在气候反馈机制方面的作用进行量化[9]。
在已实施的SWING中，有汉堡大学的ECHAM4[10]、 NASA/GISS的GISS E[11, 12]和墨尔本大学的MUGCM[13]参与其中(http：//www.bgc-jena.mpg.de/bgc-synthesis/projects/SWING/)。这3个iGCMs的水文循环中均引入稳定同位素分馏过程，并实施了控制模拟。各iGCMs均根据HadISST(Hadley Centre Sea Ice and Sea Surface Temperature Data Set)数据库1870～2000年逐月的海平面温度SSTs和逐年的大气中CO2含量[9]实施了1870～2003年的模拟(GISS E的模拟到2000年)； 之后，英国Hadley Centre的HadCM3[14]也参与到SWING计划中。该模式根据基本相同的边界条件和驱动，实施了1870～2001年大气中水稳定同位素的模拟。
然而，引入稳定同位素效应的GCMs是非常复杂的系统，需要严格的计算条件和模拟环境。这也使得利用iGCMs模拟水稳定同位素的技术难以被推广。
实际上，在iGCMs中，水稳定同位素的模拟是在单独的模块下运行，与水循环和水稳定同位素分馏有关的水文气象条件依赖于对GCMs模拟结果的调用，水稳定同位素本身并不影响GCMs的运行。基于这种考虑，如果在模拟水稳定同位素循环的过程中只考虑微观条件下引起稳定同位素分馏的相变(例如云中的凝结分馏)，而宏观条件下的大气环流形势由外部再分析数据驱动，则稳定同位素大气环流模式可被大大简化。
稳定同位素大气水平衡模式iAWBM(isotope Atmospheric Water Balance Model)就是这样一个简化的大气环流模式。在简化处理下，由对流产生的影响局地降水稳定同位素的一些因素和过程被忽略。例如，稳定同位素的分馏仅考虑在水平尺度下由温度所确定的凝结分馏或凝华分馏[15]； 在计算大气的水平衡过程中将外部气象数据作为驱动变量。利用iAWBM，Zhang等[16]模拟了全球降水中稳定同位素的空间分布和时间变化，模拟结果与实测结果具有较好的一致性，显示iAWBM具有模拟大气中水稳定同位素循环的能力。
模式的模拟水平除了模式结构之外，模拟结果的有效性检验也是非常重要的。只有确信模拟的结果是真实的物理现象而非由不恰当的参数化所致，模拟的有效性才得以验证； 同理，只有经过全球实测的水稳定同位素的有效性检验，稳定同位素大气环流模式才能体现出在重现物理事件、 追踪物理过程，揭示物理机制方面所具有的科学价值。
本研究利用4个iGCMs和iAWBM的输出数据、 GNIP的全球实测数据，实施不同稳定同位素大气环流模式的模拟结果之间以及模拟结果与GNIP的实际监测结果之间的稳定同位素效应空间分布的比较，其目的在于对稳定同位素大气环流模式的有效性进行评价，改善对水循环中水稳定同位素效应的理解和认识。
2 数据来源笔者曾经利用ECHAM4、 GISS E、 HadCM3和MUGCM的模拟数据分析了东亚地区降水中的稳定同位素效应[17]。在本文中，这4个iGCMs依然入选，第5个入选的模式是iAWBM。
ECHAM4是一个大气-海洋耦合的谱模式。在引入水稳定同位素的ECHAM4中，水稳定同位素以一个类似GISS GCM的方案[3]参与到水循环中。包含水稳定同位素在内的水汽输送依据Rasch和Williamson[18]的半拉格郎日平流方案； 此外，ECHAM4中还包含了云中液态水形成时的分馏过程以及河川径流方案[10]。
GISS E是一个笛卡尔坐标的网格模式。该大气环流模式的一个版本首次把稳定同位素分馏过程引入到水文循环中[19]。GISS E的一个重要特点是在水文循环中考虑了复杂的云过程。这些因素的被考虑使得在众多敏感性试验中将稳定水同位素作为诊断变量成为可能。
HadCM3是一个大气-海洋耦合的流体静力学网格点模式。该模式由大气部分(HadAM3)和海洋部分(HadOM3)构成。该模式利用一个由Cullen和Davies[20]所设计的第4级水平平流的保守split-explicit积分方案，因此水汽和稳定同位素的平流取决于它们之间的空间梯度。
MUGCM是基于Bourke等[21]和McAvaney等[22]模式的一个大气原始方程谱模式。模式利用与ECHAM4相同的半拉格郎日水汽输送方案进行稳定同位素示踪； 另外，MUGCM中还包括了一个具有可变的稳定同位素比率的互动海洋表面以及积雪和河川径流中的稳定同位素公式[23]。
iAWBM是一个二维的大气环流模式，主要方程由大气水平衡方程、 水稳定同位素平衡方程和瑞利分馏方程组成。模式的运行由外部气象数据作为驱动变量，这使得iAWBM能够比iGCMs更真实地再现大气中的水循环和水稳定同位素循环[16, 24]。
有关稳定同位素大气环流模式iGCMs和iAWBM的基本特征数据见 表 1。
|
表 1 选择的稳定同位素GCMs(iGCMs)和iAWBM的基本特征 Table 1 Basic characteristics of selected isotope-enabled GCMs(iGCMs)and iAWBM |
用于进行有效性检验的全球降水中 δ 18 O、 δ 2 H 以及相关的气象数据均源自IAEA创建的GNIP数据平台(https：//nucleus.iaea.org/wiser/gnip.php)，全球范围所有具有连续1年及以上数据收集的站点均被选择。GNIP的数据记录开始于1961年，目前已更新至2014年。
为了与GNIP数据的时间保持一致，所有模拟的水稳定同位素比率和气象要素均按月进行统计，时间自1961年1月(iAWBM自1979年1月)。
3 结果比较 3.1 多年平均δ18 O的空间分布比较考虑到一些GNIP站点缺少降水量的记录，δ 18 O的多年平均值按算术平均进行统计。在GNIP数据库中，具有连续1年及以上 δ 18 O记录数据的站点共有503个。对所有这些站的逐月数据进行算术平均，可得到全球范围内降水中平均 δ 18 O的空间分布(图 1中的散点)。尽管各站点参与统计的样本数不同，但散点图还是提供了降水中 δ 18 O空间分布的基本特征： 降水中 δ 18 O随纬度的增加而减小； 在相同的纬度，海洋区降水中的 δ 18 O明显大于陆地； 低海拔地区降水中 δ 18 O大于高海拔地区。
|
图 1 实测的(彩色散点)以及由ECHAM4(a)、 GISS E(b)、 HadCM3 (c)、 MUGCM (d)和iAWBM (e)模拟的(阴影)降水中 δ 18 O(‰ )的多年平均值的空间分布 Fig. 1 Spatial distributions of mean annual δ 18 O(‰ )in precipitation observed at GNIP stations(color points) and simulated by ECHAM4 (a)，GISS E (b)，HadCM3 (c)， MUGCM (d) and iAWBM (e)(shaded patterns) |
由5个模式模拟的降水中平均 δ 18 O的分布形势(图 1中的阴影)均与GNIP的实际分布存在很好的一致性。降水中平均 δ 18 O的主要空间分布特点在模拟的分布中均被很好地再现。从精细程度来看，模式的模拟结果提供了更加丰富的信息。降水中稳定同位素无论是在经向还是在纬向、 以及随地形的变化上均显示了清晰的界限和范围。例如，全球降水中 δ 18 O的最大值主要出现在受副热带高压控制的地区，尤其是在海洋上； 降水中 δ 18 O的最小值出现在南极大陆和格陵兰，这在4个iGCMs的模拟中尤其清晰； 在青藏高原，受地形抬升的影响，降水中稳定同位素被明显贫化。
通过比较4个iGCMs可以看到，在大尺度范围，由ECHAM4和GISS E模拟的大于-4.0 ‰ 的 δ 18 O高值区范围相对于其他模拟更广，且占据了中低纬度的大部分地区； 尽管出现在东西伯利亚、 北美北部和格陵兰的低值 δ 18 O被模拟出，但在ECHAM4、 GISS E和HadCM3模拟中的范围和强度均高于MUGCM的模拟； 在中小尺度范围，由GISS E模拟的出现在青藏高原的低值区相比其他3个模拟更明显； 在北非，由HadCM3模拟的降水同位素明显被贫化，但与周边地区相比，该地的降水无明显增加。而在除HadCM3以外的其他3个模式的模拟中，该地区的降水同位素则被明显富集。由该地区唯一的GNIP站Assekrem(23.27°N，5.6°E； 2726m a .s .l.)计算得到的多年平均 δ 18 O为-3.04 ‰ ，表明HadCM3低估了该地区的降水同位素值。
与iGCMs的模拟相比，在大部分高纬地区，如格陵兰和南极，iAWBM模拟的降水同位素并未明显被贫化。这个结果与模式的假设有关。在iAWBM的模拟运行中，为了满足差分格式的收敛，在南北纬度85°以上的高纬地区不计算水汽同位素比率，而是人为规定那里的水汽中 δ 18 O=-45 ‰ ，δ 2 H=-335.5 ‰ [16]。这种规定导致了在高纬度地区iAWBM的模拟与iGCMs的模拟以及与实测结果之间的偏差。但是，在一些受地形抬升降水明显增大的小尺度范围，例如在美洲科迪勒拉山系的北段和南段、 青藏高原的南缘和西缘以及格陵兰的东缘，降水中稳定同位素明显被贫化。这与iAWBM更高的网格精度有关。
为了对各模式模拟的效果进行检验，把在503个GNIP站点实测的和由5个模式在对应网格点模拟的平均 δ 18 O点绘于 图 2，一些有关的统计结果列于 表 2。
|
图 2 在503个GNIP监测站实测的与在相应格点模拟的降水中平均 δ 18 O之间的相关散布(a)ECHAM4；(b)GISS E；(c)HadCM3； (d)MUGCM； (e)iAWBM Fig. 2 Correlated scatters between mean δ 18 O in precipitation observed at 503 GNIP stations and simulated by ECHAM4 (a)， GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e) at corresponding grids |
|
|
表 2 模拟的与实测的降水中平均δ18 O之间的统计数据 Table 2 Statistical data between simulated and observed mean δ 18 O in precipitation |
根据统计学原理，在 表 2中，模拟的空间序列y与实测的空间序列x之间的回归方程反映两系列之间的统计函数关系，相关系数反映两系列之间关系的密切程度，均方根误差反映模拟值对于实测值的拟合水平。
从模拟的依实测的 δ 18 O的回归方程来看，GISS E和ECHAM4的模拟好于其他3个模式，它们的回归方程斜率更接近1，截距也相对较小；与iGCMs相比，iAWBM的回归方程斜率大致处在同一水平，但截距明显偏低。
从相关程度来看，所有5个模拟的与实测的空间序列之间的相关系数均远超过0.001的信度，其中，iGCMs的相关系数均超过0.80，而iAWBM的相关系数只有0.67。
从模式的拟合水平来看，4个iGCMs的模拟大致相当，均方根误差均在3 ‰ 以下，其中，ECHAM4的均方根误差最小，仅2.53 ‰ ，而iAWBM的均方根误差达到4.68 ‰ 。
iAWBM的这种模拟偏差可能与其高估了降水同位素的贫化有关。根据对所选GNIP站点的统计，503个站点的平均 δ 18 O为-7.70 ‰ 。与该实测值相比，4个iGCMs的模拟值分别相差0.64 ‰ 、-0.68 ‰ 、 -0.94 ‰ 和0.79 ‰ ，而iAWBM的差值却达到-2.4 ‰ (表 2)。这可能是由于iAWBM未考虑云下雨滴二次蒸发的稳定同位素富集效应所致。
3.2 平均δ18 O季节差的空间分布比较以北半球的季节作为基础，将4～9月作为暖半年，10～3月作为冷半年，分别计算两个季节平均 δ 18 O之间的差，便得到实测的(图 3中的散点)和模拟的(图 3中的阴影)平均δ 18 O季节差的空间分布。在GNIP数据库中，具有连续1年及以上降水中 δ 18 O监测数据且能够计算 δ 18 O季节差的站点共有470个。
|
图 3 实测的(彩色散点)以及由ECHAM4(a)、 GISS E(b)、 HadCM3 (c)、 MUGCM (d)和iAWBM (e)模拟的(阴影)降水中 δ 18 O(‰ )季节差(4月至9月的平均值与10月至第二年3月的平均值之差)的空间分布 Fig. 3 Spatial distribution of seasonal difference between mean annual δ 18 O(‰ )in precipitation from April to September and from October to March observed at GNIP stations(color points)and simulated by ECHAM4 (a)，GISS E (b)，HadCM3 (c)， MUGCM (d) and iAWBM (e)(shaded patterns) |
根据 图 3，所有模拟的 δ 18 O平均季节差的分布均较好地再现了实测的分布：在北半球，对应平均最低的 δ 18 O，最大平均 δ 18 O的季节差出现在亚欧大陆北部、 北美大陆的北部、 北冰洋和格陵兰； 在亚洲季风区、 墨西哥湾附近以及一些中低纬度地区，平均δ 18 O的季节差为负，表明那里暖半年的平均 δ 18 O小于冷半年； 在南半球的中低纬度，同样存在着暖半年平均 δ 18 O小于冷半年的情况；南半球最大的平均δ 18 O的季节差出现在南极洲。
比较4个iGCMs的模拟可以看到，出现在中亚地区和北美的平均δ 18 O季节差强度和范围在HadCM3和MUGCM中明显被低估； 在GISS E的模拟中，格陵兰的平均δ 18 O季节差强度被低估； 在HadCM3的模拟中，最大的平均δ 18 O季节差出现在北非，而在ECHAM4、 GISS E和MUGCM的模拟中，北非的平均δ 18 O季节差要么为负，要么偏低。
与iGCMs的模拟相比，iAWBM低估了高纬地区的平均δ 18 O季节差，主要是在北冰洋、 格陵兰内陆和南极洲。在亚洲季风区、 墨西哥湾附近以及南半球的中低纬度，平均δ 18 O季节差负值(南半球为正值)的范围和强度被高估。
类似 图 2，把在470个GNIP站点实测的和由5个模式在对应网格点模拟的降水中平均 δ 18 O季节差点绘于 图 4，一些有关的统计结果列于 表 3。
|
图 4 在470个GNIP监测站实测的与在相应格点模拟的降水中平均δ 18 O季节差之间的相关散布 (a)ECHAM4； (b)GISS E； (c)HadCM3；(d)MUGCM；(e)iAWBM Fig. 4 Correlated scatters between seasonal difference of mean δ 18 O in precipitation observed at 470 GNIP stations and simulated by ECHAM4 (a)，GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e) at corresponding grids |
|
|
表 3 模拟的与实测的降水中平均δ18 O季节差之间的统计数据 Table 3 Statistical data between simulated and observed seasonal differences of mean δ 18 O in precipitation |
表 3显示，从模拟的依实测的平均 δ 18 O季节差的回归方程来看，ECHAM4和GISS E的模拟好于HadCM3和MUGCM，前二者的回归方程斜率更接近1； 与iGCMs相比，iAWBM的回归方程斜率明显好于HadCM3和MUGCM，但截距略偏大。5个模式中，MUGCM回归方程的斜率最小，仅0.41，还不到iAWBM模拟值的一半。
从相关程度来看，所有5个模拟的与实测的平均δ 18 O季节差空间序列之间的相关系数均远超过0.001的信度。比较而言，仅ECHAM4的相关系数超过0.84，而iAWBM的相关系数只有0.54，与HadCM3的相关系数近似。
从模式的拟合水平来看，ECHAM4的均方根误差仅1.90 ‰ ，表现最优； GISS E和MUGCM的均方根误差相差不大，均在2.5 ‰ 以下； HadCM3和iAWBM的均方根误差相对较大，均超过3.0 ‰ 。
3.3 降水中δ18 O与温度(T)之间相关关系的空间分布比较在GNIP数据库中，具有连续1年及以上且降水中 δ 18 O与温度具有同步监测记录的站点有398个。对这些站分别进行统计计算，得到全球月降水中 δ 18 O与月平均温度(T)之间相关系数的空间分布(图 5中的散点)。实测结果显示，温度效应(即降水中 δ 18 O与T之间存在显著的正相关关系)主要出现在中高纬度内陆地区，纬度越高、 大陆性越强，温度效应也越强； 在南北纬度30°上下的大部分海洋以及季风区，存在显著的负温度效应，或温度效应不显著； 在低纬度地区，受赤道辐合带季节性位移产生的干湿季的影响，降水同位素也存在较显著的温度效应。
|
图 5 实测的(彩色散点)以及由ECHAM4(a)、 GISS E(b)、 HadCM3 (c)、 MUGCM (d)和iAWBM (e)模拟的(阴影)降水中 δ 18 O/T相关系数的空间分布 Fig. 5 Spatial distribution of δ 18 O/T correlated coefficients observed at GNIP stations(color points)and simulated by ECHAM4 (a)，GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e)(shaded patterns) |
由5个模式模拟的 δ 18 O/T相关系数的分布与GNIP实测结果的分布非常吻合，且温度效应与负温度效应的界限被清晰展现。模拟结果显示，中高纬度的大部分地区为温度效应，最强的温度效应出现在内陆和极区； 中低纬度的温度效应主要出现在陆地，如南美洲的北部、 北非以及澳大利亚西部； 负温度效应主要出现在中低纬度海洋、 东亚季风区以及墨西哥湾流区。
通过比较4个iGCMs的模拟可以看到，在中小尺度范围，模拟的温度效应存在一些差异。例如，在中非、 北非和西奈半岛，δ 18 O/T相关系数的符号和范围各不相同，甚至完全相反； ECHAM4、 GISS E和MUGCM模拟的出现在中非地区明显的温度效应在HadCM3的模拟中却为明显的负温度效应； 在GISS E的模拟中，格陵兰东缘和阿拉斯加南缘明显的负温度效应区在其他3个iGCMs的模拟中不清晰或基本不存在； 由ECHAM4和GISS E模拟的出现在澳大利亚的温度效应在HadCM3和MUGCM的模拟中显示为负温度效应。
与iGCMs相比，由iAWBM模拟的出现在中高纬度的温度效应强度略低； 出现在东亚季风区的负温度效应范围略偏北、 偏西。iAWBM的模拟还显示，赤道地区存在一条明显的温度效应带，这与实际的观测结果相符； 受极锋季节性位移的影响，在 60°S附近存在一条明显的负温度效应带，且在位置和范围上与iGCMs的模拟存在一些差异。
把根据398个GNIP站点实际计算的和由5个模式在对应网格点根据模拟值计算的 δ 18 O/T相关系数点绘于 图 6。一些有关的统计结果列于 表 4。
|
图 6 在398个GNIP监测站实测的与在相应格点模拟的降水中 δ 18 O/T相关系数之间的散布 (a)ECHAM4； (b)GISS E； (c)HadCM3； (d)MUGCM； (e)iAWBM Fig. 6 Scatters between δ 18 O/T correlated coefficients observed at 398 GNIP stations and simulated by ECHAM4 (a)， GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e) at corresponding grids |
|
|
表 4 模拟的与实测的降水中δ18 O/T相关系数之间的统计数据(第2组统计数据对应中高纬度具有温度效应的GNIP站点) Table 4 Statistical data between simulated and observed δ 18 O/T correlated coefficients (The second sets of data are corresponding to the GNIP stations with temperature effect in middle-high latitudes) |
表 4显示，从模拟的依实测的 δ 18 O/T相关系数的回归方程来看，GISS E和ECHAM4的模拟最好，它们的回归方程斜率更接近1。与iGCMs相比，iAWBM的回归方程斜率明显好于HadCM3，且截距接近0。
从相关程度来看，所有5个模拟的与实测的 δ 18 O/T空间序列之间的相关系数均远超过0.001的信度。其中，ECHAM4、 GISS E 和MUGCM的相关系数大致在同一水平，iAWBM的相关系数为0.69，大于HadCM3的相关系数。
与稳定同位素比率的模拟比较不同，这里，将模拟值与实测值具有相同符号的站点数的多少作为拟合水平。简单的计算表明，5组模拟的与实测的 δ 18 O/T相关系数符号相同的站点数分别为350、 344、 277、 343和333个，分别占398个总站点数的87.94 ％ 、 86.43 ％ 、 69.60 ％ 、 86.18 ％ 和83.67 ％ 。HadCM3的温度效应拟合水平相对较低，其他4个模式大致处在相同的水平。
对应中高纬度具有温度效应的266个GNIP站点(表 4的第二组统计数据)，5个模拟的与实测的空间序列之间的相关系数均有不同程度的降低，但 δ 18 O/T相关系数符号相同的站点数比数均有不同程度的增加。
3.4 降水中δ18 O与降水量(P)之间相关关系的空间分布比较在GNIP数据库中，具有连续1年及以上且降水 δ 18 O与降水量具有同步监测记录的站点有479个。对这些站分别进行统计计算，得到全球月降水中 δ 18 O与月降水量(P)之间相关系数的空间分布(图 7中的散点)。实测结果显示，显著的降水量效应(即降水中 δ 18 O与P之间存在显著的负相关关系)主要出现在中低纬度和季风区，最强的降水量效应出现在沿海地区或海岛； 中高纬度的内陆地区无降水量效应，降水中 δ 18 O与月降水量之间呈正相关关系； 在受赤道辐合带影响的地区，伴随温度效应的存在，降水量效应也同时存在。
|
图 7 实测的(彩色散点)以及由ECHAM4(a)、 GISS E(b)、 HadCM3 (c)、 MUGCM (d)和iAWBM (e)模拟的(阴影)降水中 δ 18 O/P相关系数的空间分布 Fig. 7 Spatial distribution of δ 18 O/P correlated coefficients observed at GNIP stations(color points)and simulated by ECHAM4 (a)，GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e)(shaded patterns) |
由5个模式模拟的 δ 18 O/P相关系数的分布与GNIP实测结果的分布具有较好的一致性，且降水量效应与反降水量效应的界限清晰可辨。模拟结果显示，全球的降水量效应主要出现在海洋上，尤其是在中低纬度的海洋上；在陆地，显著的降水量效应主要出现在亚洲季风区、 非洲的中部以及南美北部。在这些降水量效应占主导的地区，也存在小范围的反降水量效应。谭明等[25]称其为“降水量效应佯谬”。在北半球，受暖洋流的影响，降水量效应的范围扩展到高纬度海洋并影响沿岸地区；在亚欧大陆的中东部、 北美大部以及北冰洋，受强烈的温度效应的影响以及由于雨热同期的气候特点，降水同位素表现为显著的反降水量效应。
尽管4个iGCMs的模拟在大尺度范围具有很强的相似性，但在中小尺度范围模拟的降水量效应之间明显存在一些差异。例如，模拟的出现在地中海及其周边地区的降水量效应一直向东扩展至中亚。其中，在GISS E的模拟中，这个负相关区的范围最大，强度也最强； 由ECHAM4、 GISS E和MUGCM模拟的出现在东亚季风区(尤其是中国的华南地区)的降水量效应范围偏小，强度偏弱； 在北非，ECHAM4和MUGCM的模拟显示存在降水量效应，但GISS E和HadCM3的模拟却显示不存在降水量效应。比较而言，在4个iGCMs的模拟中，MUGCM模拟的降水量效应的强度相对较弱。这些差异的产生除了与不同模式中的稳定同位素分馏方案有关外，还与各自水汽输送的模拟有关。
与iGCMs相比，iAWBM模拟的出现在中低纬度的降水量效应的范围比实际偏大。例如，在亚洲和北美大陆，模拟的降水量效应北界至少比实际向北偏了大约 10°；另外，在南极洲和格陵兰，4个iGCMs的模拟均显示存在反降水量效应，但iAWBM的模拟却显示为降水量效应。
把根据479个GNIP站点实际计算的和由5个模式在对应网格点根据模拟值计算的 δ 18 O/P相关系数点绘于 图 8。一些有关的统计结果列于 表 5。
|
图 8 在479个GNIP监测站实测的与在相应格点模拟的降水中 δ 18 O/P相关系数之间的散布 (a)ECHAM4； (b)GISS E； (c)HadCM3； (d)MUGCM； (e)iAWBM Fig. 8 Scatters between δ 18 O/P correlated coefficients observed at 479 GNIP stations and simulated by ECHAM4 (a)， GISS E (b)，HadCM3 (c)，MUGCM (d) and iAWBM (e) at corresponding grids |
|
|
表 5 模拟的与实测的降水中 δ 18 O/P相关系数之间的统计数据(第2组统计数据对应中低纬度具有降水量效应的GNIP站点) Table 5 Statistical data between simulated and observed δ 18 O/P correlated coefficients (The second sets of data are corresponding to the GNIP stations with amount effect in low-middle latitudes) |
表 5显示，从模拟的依实测的 δ 18 O/P相关系数的回归方程来看，GISS E和ECHAM4的模拟最好，它们的回归方程斜率更接近1；与iGCMs相比，iAWBM的回归方程斜率明显好于MUGCM。
从相关程度来看，所有5个模拟的与实测的 δ 18 O/P空间序列之间的相关系数均远超过0.001的信度，其中，4个iGCMs的相关系数大致上位于同一水平，而iAWBM的相关系数为0.73，在5个模拟中是最大的。
从拟合水平来看，5组模拟的与实测的 δ 18 O/P相关系数符号相同的站点数分别为397、 380、 394、 381和378个，分别占479个总站点数的82.88 ％ 、 79.33 ％ 、 82.25 ％ 、 79.54 ％ 和78.91 ％ ，大致处在相同水平。
对应中低纬度具有降水量效应的273个GNIP站点(表 5中的第二组统计数据)，模拟的与实测的空间序列之间的相关关系均有不同程度的降低，但 δ 18 O/P相关系数符号相同的站点数比数均有不同程度的增加。其中，由iAWBM模拟数据计算的与由GNIP实测数据计算的 δ 18 O/P相关系数符号完全符合。
3.5 大气水线比较在GNIP数据库中，具有连续1年及以上且降水中 δ 18 O和 δ 2 H 具有同步监测记录的站点有502个。对所有这些站的降水同位素进行多年平均值计算，得到全球空间范围的大气水线(Global Meteoric Water Line，简称GMWL)(图 9a)：
|
图 9 在502个GNIP监测站实测的与在相应格点模拟的降水中平均 δ 2 H 和平均 δ 18 O的相关散布 (a)实测； (b)ECHAM4； (c)GISS E； (d)HadCM3； (e)MUGCM； (f)iAWBM Fig. 9 Correlated scatters between mean annual δ 2 H and δ 18 O in precipitation observed at 502 GNIP stations (a) and simulated by ECHAM4 (b)，GISS E (c)，HadCM3 (d)，MUGCM (e) and iAWBM (f) at corresponding grids |
|
(1) |
这个结果与Craig[26]根据在全球取得的400个水样计算的GMWL：δ 2 H=8.0δ 18 O＋10.0以及Rozanski等[27]根据206个GNIP站点得到的GMWL：δ 2 H=(8.17±0.06)δ 18 O＋(10.35±0.65)相差较小，说明全球大气水线具有相对的稳定性。
由5个模式在对应GNIP格点模拟得到的GMWL(图 9b～9e)分别为：
|
(2) |
5个模拟中，GISS E和iAWBM模拟的全球大气水线与实测的GMWL(公式1)较接近。ECHAM4模拟的大气水线斜率和截距均小于实测值，而HadCM3和MUGCM模拟的大气水线斜率明显大于实测值。
我们曾利用iAWBM实施了平衡分馏和动力分馏条件下水稳定同位素变化的敏感性试验[24]。试验表明，无论是在空间变化还是在时间变化上，动力分馏条件下模拟的大气水线斜率和截距均小于平衡分馏条件下模拟的大气水线斜率和截距。这是因为动力分馏条件下2 H和18 O的分馏效应之比减小所致。在平衡分馏的假设下，iAWBM模拟的GMWL为：
|
(3) |
该GMWL与实测的GMWL更接近，从而验证了Craig[26]认为的GMWL是水循环中水稳定同位素平衡分馏的结果。
4 结论和讨论利用引入稳定同位素效应ECHAM4、 GISS E、 HadCM3、 MUGCM和iAWBM的模拟数据，分析了全球降水中 δ 18 O的空间变化、 降水中 δ 18 O与温度和降水量之间的关系以及全球大气水线。不同模式的模拟结果之间以及模拟结果与GNIP的实际监测结果之间进行了比较。
所有5个模式均很好地再现了全球降水中稳定同位素的纬度效应、 大陆效应和高度效应。模拟的与实测的空间序列之间的相关系数均达到非常高的信度。从模式的拟合水平来看，4个iGCMs大体上处在同一水平，iAWBM的模拟略差。比较而言，ECHAM4模拟的降水中 δ 18 O的空间分布与实际分布最接近，二者之间的均方根误差仅为2.53 ‰ ，拟合水平达最高。
模拟的降水中 δ 18 O平均季节差的分布均很好地再现了实际的分布。在北半球，最大的 δ 18 O季节差出现在亚欧大陆北部、 北美大陆北部、 北冰洋和格陵兰； 在亚洲季风区、 墨西哥湾附近以及一些中低纬度地区，δ 18 O季节差为负； 在南半球的中低纬度，暖半年平均 δ 18 O小于冷半年。比较而言，ECHAM4模拟的降水中 δ 18 O平均季节差的空间分布与根据GNIP站点得到的实际分布最接近，二者之间的均方根误差为1.90 ‰ ，拟合水平最好。
5个模式均再现了实测的降水中 δ 18 O/T相关系数的空间分布。温度效应主要出现在中高纬度内陆地区； 在低纬度地区，受赤道辐合带季节性位移产生的干湿季的影响，降水同位素也存在较显著的温度效应。比较而言，ECHAM4、 GISS E、 MUGCM和iAWBM的模拟大致位于同一拟合水平，模拟的与实测的 δ 18 O/T相关系数符号相同的站点数分别占总站点数的87.94 ％ 、 86.43 ％ 、 86.18 ％ 和83.67 ％ 。HadCM3的温度效应拟合水平相对较低。
所有的模拟均再现了实测的降水中 δ 18 O/P相关系数的空间分布。显著的降水量效应主要出现在中低纬度和季风区； 在受赤道辐合带影响的地区，伴随温度效应的存在，降水量效应也同时存在。比较而言，由iAWBM模拟的与实测的降水量效应空间序列之间的相关性最好。5个模式模拟的与实测的 δ 18 O/P相关系数符号相同的站点数大致位于同一水平。
根据502个GNIP测站的长序列数据得到的GMWL为 δ 2 H=8.14δ 18 O＋10.96。比较而言，GISS E和iAWBM模拟的GMWL(分别为 δ 2 H=8.07δ 18 O＋11.33和 δ 2 H=8.07δ 18 O＋13.14)与实测结果最接近，ECHAM4模拟的GMWL斜率和截距均小于实测值，HadCM3和MUGCM模拟的GMWL斜率大于实测值。
尽管引入稳定同位素效应的5个大气环流模式均可以再现水循环中水稳定同位素的变化特征，揭示水稳定同位素与影响要素之间的关系，但是，各iGCMs之间以及iGCMs与iAWBM之间的模拟结果还是存在一些显著差异。产生差异的原因与模式的结构、 稳定同位素方案、 模式的精度等有关。
首先，在模式的结构上，iGCMs是三维的格点模式，而iAWBM是二维的格点模式。在iGCMs系统中，全球大气被分割成数千个参数化的空气柱。空气柱的参数化包括辐射方案、 云方案、 对流方案和水汽输送方案等； 而iAWBM仅仅利用水平衡方案，从而大大简化了复杂的大气过程和水稳定同位素分馏过程。这一方面使得iAWBM能够比iGCMs更直接地反映大气中的水循环和水稳定同位素循环，但另一方面，由于忽略了一些影响要素，iAWBM的模拟值与实测值的偏差增大。
第二，在iGCMs中，直接影响稳定同位素分馏的要素如温度和降水，它们的模拟存在持续性和累积性的偏差，尤其是在边界条件剧烈变化的地区。温度和降水量模拟的不准确必然导致水稳定同位素模拟的不准确。而在iAWBM的模拟中，温度和降水等要素均来自同期的再分析数据，从而减小了累计误差。相互比较的结果已经表明，并未由于iAWBM中水循环过程的简化处理而极大地影响了水稳定同位素模拟的准确性，而且复杂模式的模拟效果并非都优于简单模式的模拟。例如，在温度效应的模拟中，iAWBM的模拟与iGCMs的模拟水平相当，且优于HadCM3； 在降水量效应的模拟中，iAWBM不明显劣于iGCMs，反而在模拟与实测结果之间的相关性上是5个模式中最高的； 在GMWL的模拟中，iAWBM明显优于HadCM3和MUGCM。
第三，大气中的水汽以及水汽同位素主要源于下垫面的蒸发。在iGCMs的模拟中，Craig-Gordon的估算方法被用于计算自由水面和植被的稳定同位素蒸散发[28]； 而在iAWBM的模拟中，不同下垫面稳定同位素的蒸散发依据Yoshimura等[29]和Zhang等[16]的估算方法。这两个计算方案均与实际存在差异，也都不可避免地影响降水同位素模拟的准确性。
第四，与iGCMs的模拟不同，iAWBM未考虑云下雨滴因蒸发而产生的稳定同位素富集效应，这直接导致在iAWBM的模拟中，降水中稳定同位素被低估。然而，在温度效应、 降水量效应以及大气水线的模拟中并未表现出明显异于iGCMs的模拟结果。
第五，5个模式均假设云中的动力分馏是在冰面过饱和条件下发生，并且动力分馏的强弱可用冰面过饱和比Si来度量。在具体的计算中，Si被假设与凝结温度T(℃)存在简单的线性关系： Si=1 . 0-bT，系数b为参数[30]。一些模式假设动力分馏产生在0℃以下(如ECHAM4[10])，也有假设在-8℃以下(如iAWBM[16])和-10℃以下(如HadCM3[14])； 对于系数b，ECHAM4、 GISS E和MUGCM的取值在0.004到0.0045之间[8]，HadCM3和iAWBM取值为0.003[14, 16]。由于降水同位素的模拟对冰面过饱和比具有敏感性，因此，不同模式模拟的稳定同位素效应会存在一定的差异。
致谢: 感谢审稿专家和编辑部老师建设性的修改意见。
| 1 |
Dansgaard W. Stable isotopes in precipitation.
Tellus,1964, 16 (4) : 436~468.
doi:10.1111/tus.1964.16.issue-4 ( 0)
|
| 2 |
Ciais P, Jouzel J. Deuterium and oxygen-18 in precipitation:An isotopic model including mixed cloud processes.
Journal of Geophysical Research,1994, 99 (D8) : 16793~16803.
doi:10.1029/94JD00412 (0)
|
| 3 |
Jouzel J, Russell G L, Suozzo R J. Simulations of the HDO and H218O atmospheric cycles using the NASA-GISS general circulation model:The seasonal cycle for present day conditions.
Journal of Geophysical Research,1987, 92 (D12) : 14739~14760.
doi:10.1029/JD092iD12p14739 (0)
|
| 4 |
Jouzel J, Koster R D, Suozzo R J, et al. Simulations of the HDO and H218O atmospheric cycles using the NASA GISS GCM:Sensitivity experiments for present-day conditions.
Journal of Geophysical Research,1991, 94 (D4) : 7495~7507.
(0)
|
| 5 |
Eriksson E. Deuterium and oxygen-18 in precipitation and other natural waters:Some theoretical considerations.
Tellus,1965, 17B (4) : 498~512.
(0)
|
| 6 |
Riesenfeld E H, Chang T L. Über den Gehalt an HDO und H218O in Regen und Schnee.
Berichte der Chem Gesellschaft Jahrg,1936, 69 (6) : 1305~1307.
(0)
|
| 7 |
Jouzel J. Isotopes in cloud physics:Multiphase and multistage condensation process. In:Fritz P, Fontes J eds. Handbook of Environmental Isotope Geochemistry (2). Amsterdam-Oxford-New York:Elsevier Scientific Publishing Company, 1986. 61-112
(0)
|
| 8 |
Xi X. A review of water isotopes in atmospheric general circulation models:Recent advances and future prospects. International Journal of Atmospheric Sciences, 2014,250920, doi:http://dx.doi.org/10.1155-250920
(0)
|
| 9 |
Vaughan J I. An Evaluation of Observed and Simulated High-resolution Records of Stable Isotopes in Precipitation. Melbourne:The Ph.D Thesis of University of Melbourne, 2007. 1-268
(0)
|
| 10 |
Hoffmann G, Werner M, Heimann M. Water isotope module of the ECHAM atmospheric general circulation model:A study on timescales from days to several years.
Journal of Geophysical Research,1998, 103 (D14) : 16871~16896.
doi:10.1029/98JD00423 (0)
|
| 11 |
Schmidt G A, Hoffmann G, Shindell D T et al. Modelling atmospheric stable water isotopes and the potential for constraining cloud processes and stratosphere-troposphere water exchange. Journal of Geophysical Research, 2005, 110, doi:10.1029/2005JD005790
(0)
|
| 12 |
Schmidt G A, Ruedy R, Hansen J E, et al. Present day atmospheric simulations using the GISS Model E:Comparison to in-situ, satellite and reanalysis data.
Journal of Climate,2006, 19 (2) : 153~192.
doi:10.1175/JCLI3612.1 (0)
|
| 13 |
Noone D C, Simmonds I. Associations between δ18O of water and climate parameters in a simulation of atmospheric circulation for 1979-1995.
Journal of Climate,2002, 15 (22) : 3150~3169.
doi:10.1175/1520-0442(2002)015<3150:ABOOWA>2.0.CO;2 (0)
|
| 14 |
Tindall J C, Valdes P J, Sime L C. Stable water isotopes in HadCM 3:Isotopic signature of El Niño -Southern Oscillation and the tropical amount effect. Journal of Geophysical Research, 2009, 114, doi:10.1029/2008JD010825
(0)
|
| 15 |
Majoube M. Fractionnement en oxygene 18 et en deuterium entre l'eau et savapeur.
The Journal of Chemical Physics,1971, 68 (7-8) : 1423~1436.
(0)
|
| 16 |
Zhang X P, Guan H D, Zhang X Z, et al. Simulation of stable water isotopic composition in the atmosphere using an Isotopic Atmospheric Water Balance Model.
International Journal of Climatology,2015, 35 (6) : 846~859.
doi:10.1002/joc.2015.35.issue-6 (0)
|
| 17 |
章新平, 孙治安, 张新主, 等. 东亚降水中δ18O的GCM模拟及其与GNIP实测值的比较.
第四纪研究,2012, 32 (1) : 67~80.
Zhang Xinping, Sun Zhi'an, Zhang Xinzhu, et al. Intercomparison of δ18O in precipitation simulated by isotopic GCMs with GNIP observations over East Asia. Quaternary Sciences,2012, 32 (1) : 67~80. ( 0)
|
| 18 |
Rasch P J, Williamson D L. Computational aspects of moisture transport in global models of the atmosphere.
Quarterly Journal of the Royal Meteorological Society,1990, 116 (495) : 1071~1090.
doi:10.1002/(ISSN)1477-870X (0)
|
| 19 |
Joussaume S, Sadourny R, Jouzel J. A general circulation model of water isotope cycles in the atmosphere.
Nature,1984, 311 : 24~29.
doi:10.1038/311024a0 (0)
|
| 20 |
Cullen M, Davies T. A conservative split-explicit integration scheme with fourth-order horizontal advection.
Quarterly Journal of the Royal Meteorological Society,1991, 117 (501) : 993~1002.
doi:10.1002/(ISSN)1477-870X (0)
|
| 21 |
Bourke W, McAvaney B, Puri K, et al.
Global modelling of atmospheric flow by spectral methods. In:Chang J ed. Methods in Computational Physics. New York: Academic Press, 1977 : 267 ~324.
(0)
|
| 22 |
McAvaney B J, Bourke W, Puri K. A global spectral model for simulation of the general circulation.
Journal of the Atmospheric Sciences,1978, 35 (9) : 1557~1583.
doi:10.1175/1520-0469(1978)035<1557:AGSMFS>2.0.CO;2 (0)
|
| 23 |
Brown J. The Response of Stable Water Isotopes in Precipitation and the Surface Ocean to Tropical Climate Variability. Melbourne:The Ph.D Thesis of University of Melbourne, 2003. 1-254
(0)
|
| 24 |
Zhang X P, Guan H D, Zhang X Z, et al. Numerical experiments on the impacts of surface evaporation and fractionation factors on stable isotopes in precipitation.
Asia-Pacific Journal of Atmospheric Sciences,2016, 52 (3) : 327~339.
doi:10.1007/s13143-016-0008-x (0)
|
| 25 |
谭明, 南素兰, 段武辉. 中国季风区大气降水同位素的季节尺度环流效应.
第四纪研究,2016, 36 (3) : 575~580.
Tan Ming, Nan Sulan, Duan Wuhui. Seasonal scale circulation effect of stable isotope in atmospheric precipitation in the monsoon regions of China. Quaternary Sciences,2016, 36 (3) : 575~580. ( 0)
|
| 26 |
Craig H. Isotopic variations in meteoric water.
Science,1961, 133 (3465) : 1702~1703.
doi:10.1126/science.133.3465.1702 (0)
|
| 27 |
Rozanski K, Araguás-Araguás L, Gonfiantini R. Isotopic patterns in modern global precipitation. In:Swart P K, Lohmann K C, McKenzie J et al.eds. Climate Change in Continental Isotopic Records. Washington D C:American Geophysical Union,1993. 1-36
(0)
|
| 28 |
Merlivat L, Jouzel J. Global climatic interpretation of the deuterium-oxygen 18 relationship for precipitation.
Journal of Geophysical Research,1979, 84 (C8) : 5029~5033.
doi:10.1029/JC084iC08p05029 (0)
|
| 29 |
Yoshimura K, Oki T, Ohte N et al. A quantitative analysis of short-term 18O variability with a Rayleigh-type isotope circulation model. Journal of Geophysical Research, 2003, 108, doi:10.1029/2003JD003477
(0)
|
| 30 |
Jouzel J, Merlivate L. Deuterium and oxygen-18 in precipitation:Modeling of the isotopic effects at snow formation.
Journal of Geophysical Research,1984, 89 (D7) : 11749~11757.
doi:10.1029/JD089iD07p11749 (0)
|
, Guan Huade①,②, Zhang Xinzhu①, He Xinguang①, Zhang Wanjun①, Wang Xuejie①, Yao Tianci①
② School of the Environment, Flinders University, Adelaide 5001, Australia)
Abstract
The best way to reconstruct the spatial and temporal variations of stable water isotopes in the water cycle is to incorporate stable water isotope cycles into general circulation models.Only after modes are validated with global measurements of water isotopes could they be deployed with confidence to reproduce real physical phenomena,track physical processes and reveal physical mechanism in nature.Using simulation data from the isotope enabled ECHAM4,GISS E,HadCM3,MUGCM and iAWBM,the spatial variations of stable isotopic effects in precipitation are analyzed in order to assess the validity of stable isotopes in precipitation simulated by different atmospheric circulation models and improve the understanding of the stable water isotope cycle in the globe,through the comparison between simulations and GNIP observations and intercomparisons among simulations.Results show that the latitude effect,continent effect,altitude effect and seasonality of δ18O in global precipitation simulated by five models are in good agreement with GNIP observations,with their correlation coefficients between simulated and observed spatial series all exceeding the confidence level of 0.001.The distributional characteristics of temperature effect and amount effect,as well as global meteoric water line (GMWL) is well simulated.Comparatively,the spatial distribution of mean annual δ18O and δ18O seasonality in precipitation simulated by ECHAM4 are closer to GNIP observations,with two root mean square errors (RMSE) of 2.53‰ and 1.90‰,respectively,at the best fitting level.The ability of reproducing global spatial distribution of δ18O/T correlations is stronger in ECHAM4,GISS E,MUGCM and iAWBM,with the station numbers with same signs in simulated versus observed δ18O/T correlated coefficients achieving 87.94%,86.43%,86.18% and 83.67%,respectively,at roughly equivalent fitting level.There is the strongest correlation between iAWBM modeling and GNIP observed global δ18O/P distribution;The station numbers with same sign in simulated versus observed δ18O/P correlated coefficients are at roughly equivalent level for 5 models.The global meteoric water lines simulated by GISS E (δ2H=8.07δ18O+11.33) and iAWBM (δ2H=8.07δ18O+13.14) are closer to the observed one (δ2H=8.14δ18O+10.96).